南湖新闻网讯（通讯员 李梦瑶）近日，信息学院朱容波教授团队在国际期刊《IEEE Transactions on Mobile Computing》发表题为“Decentralized Clustered Federated Learning Framework in Mobile Edge Computing: A Voter Model-based Approach”的研究论文。团队围绕移动边缘计算场景下的智能协同问题，创新性地构建了去中心化聚类联邦学习框架（FedCVM），提出了基于选举模型（Voter Model）的协作机制，实现智能节点的高效互联与协作。该研究突破了动态移动环境中数据异质性和中心化限制带来的性能瓶颈，为分布式智能系统的数据高效处理提供了新思路。

在移动边缘计算场景下，终端用户频繁移动、设备数量庞大且数据分布高度异构，给智能协同带来了网络动态性与数据异质性等挑战。现有聚类联邦学习方法大多依赖中心服务器进行聚类，容易出现单点故障、通信开销大、扩展性差等问题。此外，现有方法通常需提前预设聚簇数量，缺乏动态适应性，难以满足移动边缘计算网络的实际需求。

为此，朱容波研究团队创新性提出了去中心化聚类联邦学习框架FedCVM，并引入社会动力学的选举模型机制，实现分布式自组织协同。该框架由两大模块组成：自适应聚类算法（ACAS）与基于转移概率的邻居聚合算法（TPNA）。ACAS利用最小生成森林的贪婪策略，在无需预设聚簇数量的情况下，根据模型参数相似性自适应确定最优簇划分；并结合选举模型最大影响力属性，自适应选择簇头，实现对用户移动和数据变化的快速响应。TPNA算法基于选举模型的邻居交互机制，在簇内参数更新中引入节点交互概率实现高精度聚合，有效提升模型一致性与收敛速度。

在多个公开数据集（MNIST、CIFAR-10、DermaMNIST和HARBox）上的实验结果表明，FedCVM在准确率和时间成本间取得良好平衡。在动态移动场景下，其准确率较SOTA方法（state-of-the-art，当前最佳技术）提升至少5.1%，通信开销降低约1.29倍。理论分析进一步证明，FedCVM能实现最优簇头选择，并保证模型的收敛性。

朱容波团队构建了由20个节点组成的边缘智能系统，实际部署测试验证了FedCVM的高效性与鲁棒性。该研究在理论与工程层面均验证了去中心化联邦学习框架的有效性与可扩展性，为群体智能的应用提供了重要参考。

我校信息学院博士生李梦瑶为论文第一作者，信息学院朱容波教授为通讯作者，信息学院博士生刘振豪等参与研究工作。该研究得到湖北省重点研发项目资助。

原文链接：https://doi.org/10.1109/TMC.2025.3628328

审核：朱容波